基于mRMR-SOM的异步电机轴承故障诊断研究

作者：刘文,周智勇,蔡巍. 日期：2024-01-29/span> 浏览：1256 查看PDF文档

摘要:针对异步电机轴承故障诊断问题,提出了一种融合最大相关最小冗余特征选择算法(mRMR)和自组织映射神经网络(SOM)的故障诊断方法,并将其应用于轴承故障诊断的不同阶段。首先,在实验室环境下搭建了异步电机故障诊断试验平台,在不同电机状态下分别采集振动、电流和电压信号,利用统计学方法获取了高维混合特征集;然后,以互信息为背景,利用mRMR根据特征与状态标签间的相关性和特征间的冗余性,筛选了具备强区分能力的特征,以避免计算冗余和后验诊断性能下降;最后,采用SOM对异步电机健康和轴承故障状态进行了分类识别,验证了SOM对异步电机轴承故障诊断的有效性,以及mRMR对故障诊断结果的影响。研究结果表明：基于mRMR-SOM的异步电机轴承故障诊断方法能够准确地区分健康和故障状态,测试集分类准确率达到89%;使用mRMR特征筛选能够将154维特征降低至17维,缩短23.5%的网络收敛时间,并将分类准确率由89%提升至98%;试验结果验证了基于mRMRSOM的异步电机轴承故障诊断方法对于异步电机轴承故障诊断问题的有效性,且证实其具备良好的诊断效果。

关键词:自组织映射神经网络;最大相关最小冗余特征选择算法;互信息;特征降维;特征选择;神经网络算法;U矩阵

中图分类号:TH133.3;TM343文献标识码:A文章编号:1001-4551(2024)01-0090-09



本文引用格式:

刘文,周智勇,蔡巍.基于mRMR-SOM的异步电机轴承故障诊断研究［J］.机电工程,2024,41(1):90-98.

LIU Wen, ZHOU Zhiyong, CAI Wei. Bearing fault diagnosis of induction motor based on mRMR-SOM method［J］.Journal of Mechanical & Electrical Engineering, 2024,41(1):90-98.